Development of Decision Support System for Flood Forecasting and Warning in Urban Stream

水 工 學 大 韓 土 木 學 會 論 文 集

第28卷 第6B 號·2008年 11月 pp. 743 ~ 750

도시하천의 홍수예·경보를 위한 의사결정지원시스템 개발

Development of Decision Support System for Flood Forecasting and Warning in Urban Stream

이재응*

Yi, Jaeeung

···

Abstract

Due to unusual climate change and global warming, drought and flood happen frequently not only in Korea but also in all over the world. It leads to the serious damages and injuries in urban areas as well as rural areas. Since the concentration time is short and the flood flows increase urgently in urban stream basin, the chances of damages become large once heavy storm occurs. A decision support system for flood forecasting and warning in urban stream is developed as an alternative to alleviate the damages from heavy storm. It consists of model base management system based on ANFIS (Adaptive Neuro Fuzzy Infer- ence System), database management system with real time data building capability and user friendly dialog generation and management system. Applying the system to the Tanceon river basin, it can forecast and warn the stream flows from the heavy storm in real time and alleviate the damages.

Keywords : flood forecasting and warning, decision support system, urban flood, ANFIS

···

요 지

최근 들어 지구 온난화로 인한 이상기후의 영향으로 우리나라뿐만 아니라 전 세계적으로 가뭄 및 홍수가 빈번하게 발생하 고 있다. 물로 인한 각종 재해는 농촌 지역에서도 피해를 발생시키지만, 특히 인구가 밀집되어 있는 도시 지역에서 큰 피해 를 발생시킨다. 도시하천 유역에서의 유출과정은 도달시간이 짧고 홍수량은 급격히 증가하는 특성을 보이므로 호우가 발생하 면 대처할 시간이 충분하지 않아 피해가 크게 발생할 가능성이 높다. 도시하천 유역에서 호우로 인한 피해를 경감시키기 위 한 하나의 대안으로 홍수예·경보를 위한 의사결정시스템을 개발하였다. 도시하천의 홍수예·경보를 위한 의사결정시스템은 ANFIS (Adaptive Neuro Fuzzy Inference System)을 이용한 모형관리시스템, 실시간 자료를 구축할 수 있는 데이터베이스 관리시스템, 그리고 사용자가 이용하기 편리한 인간과 컴퓨터 사이의 대화관리시스템로 구성되어 있다. 개발된 시스템을 탄천 유역에 적용한 결과 호우로 인한 하천의 유량을 실시간으로 예측하여 사전에 경보를 발생하고 피해를 경감시킬 수 있었다.

핵심용어 : 홍수예경보, 의사결정지원시스템, 도시홍수, ANFIS

···

1. 서 론

최근 들어 지구 온난화의 영향으로 우리나라뿐만 아니라 전 세계적으로 집중호우로 인한 홍수가 빈번하게 발생하고 있다. 우리나라에서 주로 여름철에 발생하는 호우에 대해 단 시간의 예보시간을 가지고 유출의 규모와 발생시각에 대하 여 사전에 신뢰성 있는 예측이 가능하다면 인적, 물적 피해 를 경감시킬 수 있다. 지금까지 우리나라의 대하천에서 주로 이루어지고 있는 홍수예·경보는 관측된 각종 수문자료를 이 용하여 강우-유출모형을 실행하고 목표 지점의 홍수위 상황 을 예측하는 방식이다. 우리나라에서는 계산절차가 간편하고 강우-유출의 비선형성을 고려할 수 있다는 점에서 홍수예·

경보를 위한 유출모형으로 저류함수법(심순보, 1992; 배덕효,

1998)이 널리 이용되고 있다. 그러나 저류함수법은 유효우량

을 산정하는데 문제가 있고, 모형의 매개변수를 추정에서 신 뢰성이 떨어지는 단점이 있다. 이외에도 기왕의 홍수예·경 보는 특정 지점에서의 유출량을 예측하기 위해 전처리과정 과 주 계산과정을 거치는 동안 많은 오차들이 발생하고 그 것들이 누적되어 결과물 내에 오차들이 내포되어 있다. 해외 에서는 다양한 방법들을 사용한 홍수예·경보에 대한 연구 가 활발히 진행되고 있다. Toth 등(2000)은 기존에 홍수예·

경보에 널리 사용되던 기법들을 비교하였다. 비교된 방법은

ARIMA 기법, 인공신경망기법, 비매개변수최근해법 등이며,

인공신경망 기법이 가장 양호한 결과를 나타내었다. Werner 등(2005)은 수치기상예보기법을 사용하여 전 유역 단위에서 홍수예·경보시스템을 개발하였다. 개발된 시스템은 주어진 위험도 하에서 10일 후의 홍수를 예보할 수 있다. Nasseri 등(2008)은 유전자이론과 인공신경망 기법을 활용하여 적용

*정회원·교신저자·아주대학교환경건설교통공학부부교수·공학박사 (E-mail : [email protected])

한 결과 인공신경망을 적용한 것보다 우수한 결과를 획득하 였다. 그러나 대부분의 논문에서 강우량예측, 매개변수의 추 정에서 불확실성 처리에 어려움을 토로하고 있다.

본 연구에서는 이러한 기존의 홍수예·경보 시스템에서의 한계를 극복하고 불확실성을 해결하여 모형 출력의 신뢰성 과 정확도를 높이기 위한 방법으로, 불확실성을 적극적으로 인정하고 수학적으로 해석하려는 신경회로망 이론과 퍼지 이 론에 신경망을 도입한 뉴로-퍼지 모형을 홍수량 예측에 적용 한 홍수예·경보를 위한 의사결정지원시스템을 개발하였다.

또한 의사결정지원시스템의 요소로서, 전문가가 아니더라도 이용하기 쉽도록 사용자 위주의 GUI를 개발하고, 실시간 자 료의 전송, 변환 및 저장이 가능한 실시간 데이터베이스를 구축하였다. 본 연구에서 개발된 시스템은 집중호우 발생 시 홍수피해 발생 가능성 정보를 미래형 U-City에 거주하는 시 민들에게 제공하여 인적·물적 피해 규모를 감소시킬 수 있 을 것으로 기대된다.

2. 의사결정지원시스템

2.1 의사결정지원시스템의구성

물로 인한 피해를 경감시키기 위해서 의사결정자는 짧은 시간 내에 필요한 자료를 수집하여 분석하고 신속히 의사결 정을 수행해야 한다. 의사결정지원시스템(DSS: Decision

Support System)의 개발은 호우로 인한 홍수예측과 같은 어

려운 문제에 대해 의사결정자의 의사결정을 지원할 수 있다.

“의사결정지원시스템이란 잘못 구성되었거나, 부분적으로만 구성되었거나, 아직 완전히 구성되지 않은 문제에 대해 이용 할 수 있는 정보와 지식을 체계적으로 구성할 수 있도록 지 원함으로써 기술적인 의사결정이나 관리와 관련된 의사결정 을 지원할 수 있는 시스템”이라고 정의할 수 있다. Smith 등(1985)은 DSS를 “잘못 구성된 문제로부터 완전하게 구성 된 문제에 이르기까지 모든 문제들의 해결을 지원하기 위해 사용자와 컴퓨터 간의 상호작용이 가능하고, 사용이 간편해 야 하며, 모형구축과 분석도구를 이용할 수 있는 컴퓨터 시 스템”이라고 정의하였다. Morton(1980)은 “DSS는 인간이 어떠한 의사결정을 수립할 때 이를 지원하는 컴퓨터에 기반 을 둔 시스템이다.”라고 DSS를 정의하였다. 결론적으로 DSS는 의사결정자들이 직면한 문제들의 다양한 측면을 고려 하여 의사결정과정을 지원할 수 있도록 설계된 컴퓨터 프로 그램이라고 정의할 수 있다.

DSS는 데이터베이스관리시스템(DBMS: DataBase Mana-

gement System), 모형관리시스템(MBMS: Model Base

Management System), 인간과 컴퓨터 사이의 대화관리시스

템(DGMS: Dialog Generation and Management System) 으로 구성되어 있다. DBMS는 다양한 종류의 자료를 통합, 관리할 수 있어야 하며, 자료를 신속하고 쉽게 추가하거나 제거할 수 있어야 한다. MBMS는 의사결정자들이 다양한 알 고리즘과 방법을 통해 분석 및 해석을 할 수 있도록 하며, 새로운 모형들을 신속하고 쉽게 구축할 수 있는 기능을 보 유해야 한다. MBMS는 광범위한 모형들을 관리하고, 데이터 베이스를 통해 이러한 모형들을 적절히 연계할 수 있어야 한다. 의사결정자는 다양한 대안들을 DBMS와 MBMS를 이

용해서 검토할 수 있어야 한다. DGMS는 인간과 컴퓨터 사 이의 인터페이스를 나타내며, 인간과 컴퓨터 사이의 다양한 의사소통이 가능해야 한다. 또한 DGMS는 DBMS와 MBMS의 입력이나 출력을 의사결정자에게 제시하고, 의사결 정자의 입력을 DBMS와 MBMS에 전달할 수 있어야 한다.

이를 그림으로 나타내면 DSS는 그림 1과 같은 요소들로 구 성되어 있다.

의사결정지원시스템은 이미 20년 전부터 수자원 분야에서 다양하게 적용되어 왔다. Labadie와 Sullivan(1986)은 수자 원 분야에서 의사결정지원시스템의 중요성을 처음으로 강조 하였으며, PC의 발전과 인공지능 기법의 진화가 의사결정지 원시스템의 적용을 촉진시킬 것이라고 지적하였다. Arnold와 Sammons(1988)는 SWRRB(Simulator for Water Resources in

Rural Basins)라는 토양 및 수자원 모형에 입력 값을 선정

하기 위한 의사결정지원시스템을 개발하였다. Berthouex 등

(1989)은 하수처리장의 일 운영을 개선하기 위한 의사결정지

원시스템을 개발하였다. 개발된 의사결정지원시스템은 운영 자들이 적절한 처리 과정을 선택하기 위한 의사결정 과정을 도와준다. Lamarche(1992)는 St.-Lawrence 강의 수질악화를 방지하기 위한 GIS 기반의 의사결정지원시스템을 개발하였 다. Bender와 Simonovic(1994)는 장기간의 용수 공급 예측 모형을 위한 의사결정지원시스템을 개발하여, 자료 관리의 자동화, 시계열 모형 구축, 전문가 지식의 이용을 가능하도 록 하였다. Merabtene 등(2002)은 가뭄 발생 시 용수공급시 스템의 적합성을 판단하고 최적 용수공급 전략을 지원하기 위한 의사결정지원시스템을 개발하였다. Overton(2005)은

GIS, 원격탐사기법, 수문모형을 통합하여 하천 홍수터의 범

람을 모의할 수 있는 의사결정지원시스템을 개발하였다.

2.2 ANFIS(Adaptive Neuro Fuzzy Inference System)

FIS(Fuzzy Inference System)는 fuzzy 집합이론과 fuzzy

추론개념을 이용한 전산알고리즘으로, fuzzy 규칙과 추론 기 능의 두 가지 인자로 구성되어 있다. fuzzy 시스템의 장점 은 자료 지향적 구조로서 비선형 시스템을 모의할 수 있고, 인간이 사용하는 언어에 기초한다는 점이다.

fuzzy 추론 시스템에는 Mamdani 형과 Sugeno 형의 두

가지 형태가 있다. Mamdani FIS(Mamdani와 Assilian,

1973)는 가장 널리 사용되는 fuzzy 기법으로 인간의 입력방

식에 적합하다는 장점을 가지고 있다. Sugeno(1985)는 출력

membership 함수가 선형 또는 상수인 시스템을 제시하였으

그림 1. DSS의구성요소

며 최적화 기법 및 적응기법에 적합하다.

ANFIS는 사용자가 자료만 가지고 membership 함수의 형

태를 결정하기 어려울 때 입력과 출력 자료에 의해서

membership 함수의 형태를 구축할 수 있는 기법이다.

ANFIS는 Jang(1993)이 Sugeno 형태의 FIS와 신경망의 장

점을 취합하여 개발하였다. ANFIS 기법은 강우-유출 관계와 같이 고도의 비선형 시스템의 해석에 특히 이상적이다.

ANFIS의 구조를 검토하기 위해 식 (1)의 f(x)와 같은 비

선형 fuzzy 시스템을 고려한다.

(1)

여기서 y'은 Mamdani 시스템의 경우 단일 출력값을 가지고

Sugeno 시스템의 경우 상수값을 갖는다. 은 입력값

x의 membership 함수이다.

이 식을 다음과 같이 나타낼 수 있다.

(2)

여기서

이고 이다. 만일 F가 연속이고 비선형이라면 F는 원하는 정 확도로 f를 개략적으로 나타낼 수 있다.

(3) 여기서 F는 [a,b] 구간에서 정의되는 함수이고 E={x1, ..., xk}는 [a,b] 구간에서 정의되는 점들의 집합이다. 또한 다음 식을 최소화하는 최소자승식 가 존재한다.

(4)

만일 F∈C[a, b]이라면 모든 n과 다항식 p에 대하여 다음 과 같은 최적 근사 다항식 πn이 존재한다.

(5) 다음과 같은 규칙을 가지는 Sugeno 형태의 fuzzy 시스템 을 고려한다.

−^x가 A1이고 y가 B1이면 f1=p1x+q1y+r1이다.

−^x가 A2이고 y가 B2이면 f2=p2x+q2y+r2이다.

fuzzy 집합 Ai와 Bi의 membership 함수를 각각 μAi, μBi

라고 하고, T-norm을 사용하여 규칙들을 평가하면 다음과 같다.

−규칙의 전제조건은 다음 식으로 평가한다.

(6)

−규칙의 결론부는 다음 식으로 평가한다.

(7) 이상의 fuzzy 추론과정을 그림으로 나타내면 그림 2와 같다.

ANFIS는 신경회로망과 퍼지이론을 동시에 활용하는 방법

으로 신경회로망의 구조와 학습능력을 이용하여 제어환경에 서 획득한 입·출력 정보로부터 언어변수의 구성함수와 제 어규칙을 제어 대상에 적합하도록 자동으로 조종하는 기법 이다. 학습을 위하여 역전파 알고리즘을 사용하는 것이 일 반적이다. 역전파 알고리즘은 다층 퍼셉트론(multi-layered

perceptron)의 구조를 갖고 있으며, 학습 단계와 산출 단계

로 동작한다. 학습 단계에서는 입력 양상과 목적 양상이 다 수의 입·출력 쌍으로 주어지고, 각 입력 양상에 대해 출력 을 먼저 계산(전방향 진행)한 후, 의도하는 출력과 실제 출 력과의 차이를 감소시키는 방향으로 연결 강도를 조정(역방 향 진행)한다. 조정 과정이 끝나면 같은 과정으로 학습을 반복함으로써 최적의 연결 강도를 구한다. 산출 단계에서는 입력만 주어지면 연결 강도와의 계산에 의해 적절한 출력이 계산된다.

ANFIS는 수공학의 다양한 분야에 적용되고 있다. Chang

과 Chen(2001) 및 Gautam과 Holz(2001)는 ANFIS를 강우 -유출 과정에 적용하였다. 국내에서는 이경훈 등(1998)이 상 수도 급수량 예측에 적용하였고, 정대명과 배덕효(2004)는 월 댐유입량 예측에 이용하였다.

f x( )

y′ μ_A

i j( )x_i

i=1

∏

⎝ ⎠

⎜ ⎟

⎜ ⎟

⎛ ⎞

l=1

∑

μA_i^j( )x_i

i 1=

∏

⎝ ⎠

⎜ ⎟

⎜ ⎟

⎛ ⎞

l=1

∑

---

=

μ^A_i^l( )^x_i

f x( ) w_ib_i( )x

i 1=

∑

=

b_j( )x

μ_A

i j( )x

i 1=

∏

⎝ ⎠

⎜ ⎟

⎜ ⎟

⎛ ⎞

μA_i^j( )x

i=1

∏

⎝ ⎠

⎜ ⎟

⎜ ⎟

⎛ ⎞

l 1=

∑

---

=

F f≈ _FS

P_n^k

F x( ) p x_i – ( )_i ²

i 1=

∑

F^–π_n ≤^{F P–}

w_i μ_A

i( )xμ_B

j( ) ,x

= i=1 2,

f x y( , ) w₁(x y, )f x y( , ) w+ ₂(x y, )f₂(x y, ) w₁(x y, ) w+ ₂(x y, ) ---

=

그림 2. ANFIS의구조

2.3 도시하천홍수예·경보시스템의 DBMS와 DGMS

ANFIS는 Matlab 기반에서 개발되었으나, 독립적으로 실행

될 수 있도록 C 언어를 이용하여 구축되었다. 비전문가라도

ANFIS를 이용하여 개발된 모형을 쉽게 이용할 수 있도록

하기 위하여 Windows 기반에서 DBMS와 DGMS를 구축하 였다.

특히 DBMS는 현장에서 관측된 자료들이 모형에서 자동 으로 인식될 수 있는 형태로 변환시킬 수 있는 기능을 보유 해야 한다. 즉, 현장에서 관측된 자료는 TCP-IP 통신 프로 토콜이 지원되는 원격 서버컴퓨터로 전송되므로, 서버 컴퓨 터에서 수신된 자료를 처리하고 웹 시스템과 연동 가능한 DBMS에 입력하는 절차를 수행하기 위한 소프트웨어를 개 발하였다. 그림 3은 이러한 기능을 수행할 수 있도록 개발 된 소켓을 나타낸다. 개발된 소켓에서는 예기하지 못한 자료 의 결측 및 포맷 이상 현상에 대비하여 자료의 수동 처리 기능을 포함하였으며, 각 현장에서 수신된 모든 자료와 로그 파일을 서버컴퓨터에 백업하는 기능도 포함하고 있다.

3. 시범유역에적용

3.1 탄천유역

경기도 성남시 분당구에 위치한 탄천 유역을 도시하천의 홍수예·경보를 위한 의사결정지원시스템 적용 대상지점으 로 선정하였다. 탄천은 경기도 용인시에서 발원해서 성남시 와 서울특별시 송파구와 강남구를 거쳐 한강으로 흘러드는 한강의 지류로서, 절반이 넘는 약 25 km 구간이 성남시의 중심부에 걸쳐 있는 전형적인 도시하천이다. 총 유역면적

302 km², 총 연장 35.6 km이며 유역의 동서간 최대길이는

17.5 km, 남북간 최대길이는 29.7 km 이다. 유역의 중심이

속한 성남 지점의 최근 11년간 강우량 자료를 통해 살펴보 면 연 평균 강우량은 약 1238.3 mm 정도이고, 6월-9월 중 에 약 959 mm의 강우(77.4%)가 집중되어 발생한다. 수도

권 신도시인 분당이 위치한 탄천 유역은 하천을 중심으로 도시가 형성되어 있기 때문에 홍수 피해에 대한 민감도가 상대적으로 높은 편이다.

3.2 실시간강우 및수위계측 시스템구축

시범유역에서 홍수예·경보 의사결정시스템 개발을 위해 서 유역의 실제 강우 및 수위 자료가 필요하다. 그림 4에 나타낸 것과 같이 하천 수위의 예측을 위하여 하대원동, 서 현동, 그리고 운중동에 위치한 세 개의 강우관측소와 대곡교 지점의 하천 수위자료를 이용하였다. 운중동에도 모든 관측 시스템은 CDMA 무선 데이터 통신을 이용한 실시간 모니터 링 시스템으로 구축되었다. CDMA 통신은 다른 통신 방법 에 비하여 기술적인 안정화가 이루어졌고 인터페이스 가능 이 다양한 모듈이 출시되어 있어 광범위한 적용이 가능하다.

3.3 모형구축

앞 절에서 실시간으로 강우와 수위자료가 획득되면, 이를 서버에 저장하고 ANFIS 모형의 입력자료로 사용하게 된다.

2.2절에서 제시한 ANFIS모형은 자료지향형 모형(data

driven model)으로, 입력자료와 출력자료를 이용하여 학습과

정을 거치고 시스템을 구축한다. ANFIS 시스템 구축의 목 적은 강우 및 수위 자료를 바탕으로 목표지점의 수위를 실 시간으로 예측하는 것으로, 본 연구에서는 탄천 유역에서 하 대원동, 서현동, 운중동 지점의 강우자료와 대곡교의 수위자 료를 바탕으로 대곡교의 장래 수위를 예측할 수 있는 시스 템을 구축하였다.

본 연구에 사용된 강우자료는 2004년부터 2005년까지의 강우자료 중, 단일 호우사상이 100 mm이상의 강우량을 가 지면서, 24시간 이상의 지속기간을 가지는 강우사상을 선정 하였다. 관측소에서 측정된 강우와 수위자료는 모형구축에 직접 사용되기에 적절하지 못하다. 왜냐하면 각각의 측정값 들은 고유의 특성치들을 내포하고 있고, 이러한 특성치들은 전체적인 추세를 이용해 수위예측 모형을 만드는 과정에서 특정 경향을 발견하는데 저해요소로 작용하기 때문이다. 따 라서 측정된 자료를 사용하여 수위예측 모형을 구축하기 위 그림 3. 자료처리를위한소켓프로그램

그림 4. 탄천대곡교지점유역도

한 전처리 과정으로 자료의 정규화를 수행하였다. 아래 식 (8)을 이용하여 관측값들이 최대값이 1과 최소값이 0 사이의 값들을 갖도록 하였다.

(8) 여기서 Yi는 정규화된 관측값, Xi는 실제 관측값, Xmax는 관측값의 최대값, Xmin는 관측값의 최소값을 나타낸다.

실시간 수위예측 모형의 구축을 위해 중요한 인자들 중 하나는 수위에 영향을 미치는 강우와 수위의 시간적 분포를 어떻게, 얼마만큼 배치하는 가를 결정하여 입력자료의 조합 을 결정하는 것이다. 모형 내에 포함되는 강우와 수위의 조 합이 증가한다고 반드시 모형의 정확도도 증가하는 것은 아 니지만, 예측시간 간격이 짧아짐에 따라 일반적으로 모형의

정확도는 증가하게 된다. 따라서 우선적으로 적절한 모형의 형태를 결정하는 것이 필요하다. 적절한 모형의 형태를 결정 하기 위하여 t 시간의 강우, t-1 시간의 강우, t-2 시간의 강우, t 시간의 수위, t-1 시간의 수위, t-2 시간의 수위, 10 분과, 30분의 지체시간, t+1, t+2, t+3의 예측시간을 조합하 여 모두 72개 형태의 모형을 구성하였다. 기왕의 자료를 사 용하여 72개 모형을 검토한 결과 중 일부를 그림 5에 제시 하였다. 그림 5로부터 전체적으로 수위 상승부에 비하여 수 위 하강부에서 오차가 감소되고 있다는 사실을 확인할 수 있다. 이는 다음 두 가지 요인이 원인인 것으로 판단된다.

첫째, 수문곡선 상승부의 경사가 하강부보다 더 가파르기 때 문에 상대적으로 더 적은 수의 관측값을 갖는다. 둘째, 본 모형의 입력자료로 선정된 대부분의 자료가 전반부에 가파 Y_i X_i–X_min

X_max–X_min ---

=

그림 5. 실시간수위검증모형검증

른 상승부를 가지고 후반부로 갈수록 수위가 하강하는 형태 의 경향을 가지고 있기 때문에, 상대적으로 상승부가 예측을 시작한 시점으로부터 가까운 거리에 있다.

최적의 자료 조합을 통한 모형을 선정하기 위해서 평균제 곱오차(RMSE)와 첨두수위비(PLR)를 통해 모형을 평가하였 다. RMSE 값의 경우는 전체적인 예측값이 실측값과 얼마나 큰 편차를 가지고 있는가 하는 전체적인 추이를 나타내는 값이고, PLR은 실측값과 예측값의 첨두수위값을 비교하기 위한 척도이다.

(9) (10) 여기서 n은 관측값의 개수, PLR은 첨두수위비, PWL은 예 측첨두수위, RWL은 실측첨두수위이다. 평가 결과, t시간, t-

1, t-2 시간의 강우자료와 t 시간, t-1 시간 수위자료를 사용

한 모형이 가장 우수한 수위 예측을 하는 것으로 나타났다.

이상과 같이 구축한 모형을 검증하기 위하여 새로운 자료를 사용하여 모형에 적용하였다. 적용 결과 t+1 시간에서 RMSE는 0.0262, PLR 0.1031, 오차 -0.0246 m t+2의 경

우 RMSE는 0.0317, PLR 0.3520, 오차 -0.0143 m, t+3의 경우 RMSE는 0.0432, PLR 0.0018, 오차 -0.0300 m의 결과를 얻었으며, 실측값과 예측값의 차이는 1.4-3 cm에 불 과하였다. 또한 lead time에 따른 RMSE를 비교하면 예측시 간이 t+1인 경우가 t+2의 경우보다, t+2의 경우가 t+3인 경 우보다 우수함을 알 수 있다. 그림 6과 표 1에는 lead time 에 대하여 예측이 가장 어려운 t+3의 경우를 제시하였다. 최종 적으로 표 1에서 가장 우수한 결과를 나타낸 현재강우, t-1 강우, t-2 강우, 현재수위, t-1 수위를 사용하여 미래의 수위 를 예측하는 모형을 ANFIS 모형으로 선정하였다.

3.4 탄천유역홍수예·경보시스템

최종적으로 구축된 탄천유역의 홍수예·경보를 위한 의사 결정지원시스템은 그림 7과 같으며 2008년 7월의 강우로 인 한 수위 변화를 나타내고 있다. 시스템의 운영 과정은 다음 과 같다. 탄천 유역에서 강우가 발생하면 구미동, 서현동, 하대원동, 운중동, 북정동의 5개 관측소에서 관측된 강우자 료와 대곡교에서 관측된 수위자료가 실시간으로 서버의 데 이터베이스로 전송되고 화면에 표시된다. 전송된 자료는 자 료 변환 과정을 거친 후 ANFIS 모형에 자동으로 입력된다.

RMSE

X_i–X ( )²

∑

n 1– ---

=

PLR (PWL RWL– ) --- 100RWL ×

=

그림 6. ANFIS 모형적용결과 표 1. RMSE와 PLR 비교

이용자료 RMSE PLR

10분 30분 10분 30분

현재강우, t-1 강우

현재수위, t-1 수위 0.0913 0.1784 11.909 15.506

현재강우, t-1 강우

현재수위, t-1 수위, t-2 수위 0.2232 0.2703 120.811 96.060 현재강우, t-1 강우, t-2 강우

현재수위, t-1 수위 0.0872 0.2359 0.923 0.656

현재강우, t-1 강우, t-2 강우

현재수위, t-1 수위, t-2 수위 0.0949 0.1839 4.902 15.156 현재강우, t-1 강우, t-2 강우, t-3 강우

현재수위, t-1 수위 0.0916 0.1885 12.760 3.059

현재강우, t-1 강우, t-2 강우, t-3 강우

현재수위, t-1 수위, t-2 수위 0.1723 0.2464 0.970 55.891

모형 실행의 결과로 30분, 60분, 120분 후의 대곡교 수위가 예측된다. 예측된 수위는 비전문가도 쉽게 이해할 수 있도록 그림 7의 우측 하단부에서 나타난 바와 같이 그림 형태로 제시된다. 그림에는 주의수위와 경보수위가 함께 표시되어 있으므로 쉽게 장래 수위에 따른 위험도 정도를 판단할 수 있다. 그림 7의 좌측 하단부에는 기왕의 수위 변동 실적과 예측 수위를 함께 나타내었다. 또한 영상을 통해 현재 하천 의 상황을 실시간으로 파악할 수 있도록 하였다. 10분 후 새로운 관측 정보의 입력에 따라 이상과 같은 과정이 반복 된다. 의사결정자는 홍수예·경보시스템의 결과에 근거하여 장래에 유역에서 발생할 수 있는 홍수에 대한 정보를 예측 할 수 있으며, 필요한 의사결정을 수행하게 된다.

4. 결 론

본 연구에서는 도시하천의 홍수를 미리 예보하고 의사결정 자가 필요한 의사결정을 수행하는데 도움이 될 수 있도록 탄천 유역을 대상으로 홍수예·경보를 위한 의사결정지원시 스템을 개발하였다. 이를 위하여 퍼지이론과 신경망이론이 결합된 뉴로-퍼지 시스템인 ANFIS를 이용하여 모형관리시 스템을 구축하였고, 개발된 모형을 쉽게 이용하기 위하여

Windows 기반에서 데이터베이스관리시스템과 인간과 컴퓨터

사이의 대화관리시스템을 개발하였다. ANFIS는 자료 지향형 모형으로 기존에 널리 사용되던 개념적 모형이나 물리적 모 형과는 차이가 있다. 자료 지향형 모형은 정확한 개념이나 정밀한 모형을 구성하기 어려운 자연현상을 대상으로 구축 할 때 더 큰 장점을 나타낸다.

본 연구에서 개발된 시스템은 실시간 강우 및 수위자료 계측 시스템과 연동되어 자료의 공급, 저장, 자료변환 및 입

력, 자료 도시 등이 실시간 자동으로 이루어져 긴급한 상황 이 발생할 경우, 의사결정자의 홍수예·경보에 관련된 의사 결정을 신속하게 지원할 수 있다. 현재까지 우리나라에서 홍 수예·경보는 주로 대하천의 주요 지점에 집중되어 시행되 고 있다. 주요 지점의 수위가 홍수주의보수위나 경보수위에 도달할 것으로 예측이 되면 관할 홍수통제소장이 홍수예보 를 발령하는 것으로 되어 있다. 대하천에 비하여 소하천에 홍수예·경보가 활성화되지 못한 이유는 예산 문제 외에도 유역면적이 작은 지역에서는 유출이 단시간 내에 급격히 발 생하기 때문에 예측수위 도달 선행시간의 확보가 쉽지 않기 때문이다. 본 연구에서 개발된 홍수예·경보시스템은 일단 유역에 대하여 시스템이 완성되면 추가적인 모형의 매개변 수 추정 등에 시간이 소요되지 않으므로, 비교적 단시간 내 에 홍수 예측이 가능하여 소하천에서 홍수예·경보의 발령 에 활용이 가능하리라고 판단된다.

본 연구의 성과를 정리하면 다음과 같다.

첫째, 도시하천의 홍수예·경보 의사결정지원시스템을 개 발하여 신속한 홍수 예측이 가능하다.

둘째, u-city의 방재 분야에 활용할 수 있는 기반을 구축 하였다.

셋째, 강우와 수위자료만을 이용하여 신뢰성 있는 홍수 예 측 시스템을 구축하였다.

넷째, 현재의 하천 상황과 예측 정보를 인터넷을 통해 제 공함으로써 관리자나 운영자뿐만 아니라 일반 사용자들도 관 련 정보의 접근이 가능하다.

추후 과제로는 첫째, 장래 발생하는 호우 자료를 이용하여 모형의 신뢰성을 지속적으로 검토하고, 둘째, 본 홍수예·경 보 시스템을 중소하천뿐만 아니라 대하천으로까지 확대 가 능성을 검토하며, 셋째, 일반인의 이용성을 증대시키기 위하 그림 7. 탄천유역홍수예·경보시스템

여 모바일 기기에 적용성을 검토하는 것 등이다.

감사의 글

본 연구의 일부는 국토해양부 지역기술혁신사업의 연구비 지 원(과제번호# ’08지역기술혁신 B-01)에 의해 수행되었습니다.

참고문헌

배덕효(1997) 저류함수법을 이용한 추계학적 실시간 홍수예측모 형 개발. 한국수자원학회논문집, 한국수자원학회, 제30권, 제 5호, pp. 449-457.

심순보, 김선구, 고석구(1992) 최적화 기법에 의한 저류함수 유 출 모형의 자동 보정. 대한토목학회논문집. 대한토목학회. 제 12권, 제3호. pp. 127-137.

이경훈, 문병석, 강일환(1998) ANFIS를 이용한 상수도 1일 급 수량 예측에 관한 연구. 한국수자원학회논문집, 한국수자원 학회, 제31권, 제6호, pp. 821-832.

정대명, 배덕효(2004) 기상예보를 활용한 월 댐유입량 예측. 한 국수자원학회논문집. 한국수자원학회, 제37권, 제6호, pp.

449-460.

Arnold, J.G. and Sammons, N.B. (1988) Decision support system for selecting inputs to a basin scale model. Water Resources Bulletin, Vol. 24, No. 4.

Bender, M. and Simonovic, S.P. (1994) Decision-support system for long-range stream flow forecasting. Journal of Computing in Civil Engineering, Vol. 8, No. 1.

Berthouex, P.M., Lai, W., and Darjatmoko, A. (1989) Statistics- based approach to wastewater treatment plant operations, Jour- nal of Environmental Engineering, Vol. 115, No. 3, June.

Chang, F.J. and Chen, Y.C. (2001) A counterpropagation fuzzy- neural network modeling approach to real time streamflow pre- diction, Journal of Hydrology, Vol. 245, pp. 153-164.

Gautam, D.K. and Holz, K.P. (2001) Rainfall-runoff modeling using adaptive neuro-fuzzy systems, Journal of Hydroinformat- ics, pp. 3-10.

Jang, J.S. (1993) ANFIS: Adaptive-Networkbased Fuzzy Inference Systems, IEEE Transactions on Systems, Man, and Cybernet- ics, Vol. 23, No. 3, pp. 665-685.

Labadie, J.W. and Sullivan, C.H. (1986) Computerized decision support systems for water managers. Journal of Water Resources Planning and Management, Vol. 112, No. 3, ASCE, pp. 299- 307.

Lamarche, A. (1992) Development of a geographic information system in support of the st.-lawrence action plan. Geographic Information Systems (GIS) and Mapping-Practices and Stan- dards, ASTM STP 1126, American Society for Testing and Materials, Philadelphia, pp. 85-96.

Mamdani, E.H. and Assilian, S. (1975) An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, Vol. 7, No. 1 pp. 1-13.

Merabtene, T., Kawamura, A., Jinno, K., and Olsson, J. (2002) Risk assessment for optimal drought management of an integrated water resources system using a genetic algorithm. Hydrologi- cal Processes. Vol. 16, No. 11, pp. 2189-2208.

Morton, M.S.S. (1980) Book Review of Decision Support Systems:

Current Practice and Continuing Challenge by Steven L. Alter, Sloan Management Review, 21:77.

Nasseri, M., Asghan, K., and Abedini, M.J. (2008) Optimized sce- nario for rainfall forecasting using genetic algorithm coupled with artificial neural Network. Expert Systems with Applica- tions, Vol. 35, No. 3, pp. 1415-1421.

Overton, I.C. (2005) Modeling floodplain inundation on regulated river: integrating GIS, remote sensing and hydrologic models, River Research and Applications, Vol. 21, No. 9, pp. 991-1001.

Smith, R.D., Peart, R.M., and Barrett, J.R. (1985) Agricultural pro- duction management with decision support systems. ASAE Paper No. 85-3076.

Sugeno, M. (1985) Industrial Applications of Fuzzy Control. Elsevier Science Pub. Co.

Toth, E., Brath, A., and Montanari, A. (2000) Comparison of short- term rainfall prediction models for real-time flood forecasting.

Journal of Hydrology, Vol. 239, No. 1-4, pp. 132-147.

Werner, M., Reggiani, P., Roo A.D., Bates, P., and Sprokkereef, E.

(2005) Flood forecasting and warning at the river basin and at the european scale. Natural Hazards, Vol. 36, No. 1-2, pp. 25- 42.

(접수일: 2008.9.17/심사일: 2008.10.16/심사완료일: 2008.11.7)